Google Research revela um conjunto de agentes para vídeos longos e coerentes

Em 24 de setembro de 2026, o blog do Google Research publicou Automating coherent long-form video generation, assinado pelos pesquisadores Yale Song e Yiwen Song. O texto descreve quatro sistemas de pesquisa, cada um apoiado por um paper próprio no arXiv, que funcionam como uma camada de orquestração sobre os modelos Gemini e Veo e, segundo o Google, herdam seus mecanismos de segurança, incluindo a marca d'água SynthID, com classificadores adicionais aplicados aos vídeos finais. Os sistemas – AI Video Co-Director, CANVAS, A²RD e VQQA – são apresentados como um conjunto capaz de gerar vídeos longos mantendo a coerência narrativa e visual. Vale notar, porém, que cada sistema foi avaliado separadamente em seu próprio paper: nenhum dos documentos mede o desempenho dos quatro usados juntos como uma única pipeline.

O Co-Director (arXiv 2604.24842, 27 de abril de 2026) é um framework multiagente hierárquico que usa um algoritmo multi-armed bandit para escolher a estratégia criativa, o modo narrativo e o arquétipo estético. Os autores introduziram o benchmark GenAD-Bench, baseado em 400 cenários publicitários fictícios, e declaram uma pontuação de qualidade de 81,4. Esse resultado, no entanto, diz respeito a anúncios curtos, e não a narrativas de vários minutos, e não foi replicado por terceiros.

O CANVAS (arXiv 2604.13452, 15 de abril de 2026) mantém uma memória visual persistente de personagens, lugares e objetos e relata ganhos, em relação ao melhor baseline, de +21,6% na continuidade dos cenários de fundo, +9,6% na consistência dos personagens e +7,6% na dos objetos em benchmarks de storyboard. Essas métricas se referem a sequências de imagens, não a vídeos completos, por isso sua relevância para a geração de vídeos longos continua incerta.

O A²RD (arXiv 2605.06924, 7 de maio de 2026) adota um ciclo Retrieve-Synthesize-Refine-Update para gerar vídeo segmento por segmento e aponta até 30% a mais de consistência e 20% a mais de coerência narrativa em relação aos baselines. Os resultados são declarados pelos autores (no caso do A²RD, com avaliações humanas como apoio) e não foram replicados de forma independente. O sistema foi medido em benchmarks públicos e no novo LVBench-C, com vídeos de um a dez minutos.

O VQQA (arXiv 2603.12310, 12 de março de 2026) usa perguntas visuais e as críticas de um modelo de visão e linguagem para otimizar prompts sem acessar o modelo (caixa-preta), com ganhos absolutos de 11,57 pontos no T2V-CompBench e 8,43 no VBench2 em relação à geração base.

O blog mostra um vídeo de demonstração de dez minutos, mas não está claro qual combinação de sistemas o produziu; uma análise de terceiros (Superpower Daily) o atribui ao A²RD, mas a fonte primária não confirma isso. Além disso, todos os números são declarados pelos próprios autores e os papers são preprints no arXiv, então a solidez das evidências ainda precisa ser verificada. Trata-se de trabalhos de pesquisa, apresentados em conferências de 2026 como COLM e EMNLP, e não de um produto comercial.